昇腾深化 PyTorch 技术实践，助力 AI Infra 演进｜PTC 2026 活动回顾

 

9 月 7 日，KubeCon CloudNativeCon OpenInfra Summit PyTorch Conference China 2026 同期活动 「Hardware-Aware AI: Building PyTorch Workloads Across Accelerators」 在上海国际会议中心举行。

 

本场活动由华为主办，汇聚 PyTorch Foundation、昇腾以及多个开源项目的技术专家与开发者，围绕PyTorch框架优化、大模型训练与推理、AI 编译器等关键技术展开分享与交流。随着大模型持续演进，AI计算对底层基础设施的性能与易用性提出了更高要求。如何充分释放硬件能力，同时保持开发者熟悉、高效的PyTorch开发体验，正在成为AI基础设施演进的重要方向。

 

围绕这一命题，昇腾持续从框架适配、编译优化等关键环节完善PyTorch开发栈，通过软硬件协同，将底层算力能力进一步转化为开发者可用、易用的计算效率。

 

 

       开放协作，共建 PyTorch AI 开源生态

 

活动开场，PyTorch Foundation Executive Director Mark Collier 致辞，对现场开发者及社区伙伴的参与表示欢迎。

 

作为全球广泛应用的AI开源框架，PyTorch的持续演进离不开开发者、硬件厂商以及上下游开源项目的共同参与。随着模型规模和计算复杂度不断提升，如何通过开放协作持续拓展PyTorch的能力边界、降低开发者使用不同计算资源的门槛，也成为社区持续关注的重要方向。

 

      TorchNPU：让PyTorch更好地运行在昇腾上

 

Ascend for PyTorch TC Member李晶在框架与硬件适配层围绕《TorchNPU：昇腾上的PyTorch框架优化设计与实践》展开分享。TorchNPU持续深化PyTorch与昇腾 NPU的软硬件协同，在保持PyTorch原生开发体验的基础上，通过运行时、通信和编译等关键环节的优化，进一步提升执行效率与资源利用效率。

 

TorchNPU的核心价值，在于以软件层承接硬件差异，让开发者保持一致的PyTorch 使用体验，同时通过底层优化持续释放昇腾NPU性能。让上层保持一致、易用的PyTorch开发体验，让底层充分释放昇腾NPU的硬件能力，是TorchNPU持续演进的重要方向，也是昇腾将算力能力转化为开发者生产力的重要一环。

 

 

       Triton-Ascend：让编译器更“懂”昇腾NPU

 

Triton-Ascend社区Maintainer杨开昕以《Triton-Ascend AI编译器的优化策略和实践》为题，展示了Triton这一算子开发范式在昇腾NPU上的落地实践。

 

从Layout、Autotune、流水调度到 SIMT/SIMD混合执行，其核心目标都是提升硬件利用率，让更多底层性能优化由编译器自动完成，在降低开发者优化负担的同时充分释放昇腾NPU性能。Hardware-Aware的价值并非让开发者面对更多硬件细节，而是让编译器更“懂”硬件，以更高层的软件抽象承接底层复杂性，让硬件性能更自然地转化为开发者可获得的计算效率。

 

 

活动现场，来自 DeepSpeed、vLLM-Omni、FlagTree 等开源项目的技术专家，也分别从大模型分布式训练、全模态推理及 AI 编译等方向分享最新实践，进一步拓展了围绕 AI 基础设施演进的技术交流。

 

       共话“好用”的AI基础设施

 

随着硬件选择越来越丰富，开发者需要面对的不只是“性能是否足够”，还有更加现实的问题：不同硬件之间如何降低迁移和适配成本？性能优化与一致的开发体验如何兼顾？开源社区又应该在其中发挥怎样的作用？

 

活动现场围绕 “开源社区如何定义‘好用’的AI基础设施”，来自不同技术领域的嘉宾展开圆桌对话。

 

 

对于开发者而言，“好用”的AI基础设施不仅意味着更高的性能，也意味着更低的开发门槛、更成熟的软件工具链，以及更加顺畅的开发体验。

 

通过持续完善框架、编译器等软件能力，让底层硬件性能更充分地转化为开发者可以直接使用的生产力，也是昇腾持续投入PyTorch生态的重要方向。